呼吸是人体的重要生理参数之一,与人体的健康状况密切相关,对呼吸信号进行监测能够辅助疾病的诊断和治疗。传统的呼吸疾病检测技术需要专业人员操作,价格昂贵,且与人体接触容易引起不适,不适合用于长时间的监测。基于生命体征雷达的非接触式呼吸信号监测系统能够克服这些问题,且具有全天候、灵敏度高、穿透力强的优点,不易受环境影响,更适合长时间监测人体的呼吸信号。本文使用生命体征雷达监测人体呼吸信号,对呼吸信号基于稀疏表示算法提取分类特征,通过卷积神经网络实现正常呼吸、潮式呼吸、节律障碍型呼吸三种呼吸模式的分类,并针对潮式呼吸心功能相关特征进行了分析。本文的主要工作如下:1、介绍本文选用的基于生命体征雷达的呼吸信号监测系统,阐述硬件平台及雷达模块的结构;设计带通滤波器从雷达回波信号中提取出呼吸信号,对三种不同呼吸模式的雷达回波信号的特点进行了具体分析。2、针对临床病人的呼吸信号提取常用的时域和频域特征难以实现呼吸模式准确分类的问题,提出了一种基于稀疏表示的呼吸信号分类特征提取方法。分别基于呼吸信号在时频域和小波域的稀疏性,通过构造Gabor字典和小波字典将呼吸信号投影到对应的稀疏域,然后采用正交匹配追踪算法求得稀疏解,确定稀疏解的最优稀疏度后,将稀疏解中的非零元素项作为呼吸信号的稀疏域特征。3、介绍了呼吸异常辨识及分析算法流程。首先研究了基于卷积神经网络的呼吸模式分类算法,构建了卷积神经网络模型,利用特征数据集对模型进行调参和优化,确定最佳的网络结构。由于心力衰竭病人的潮式呼吸特征参数与心功能相关,针对其潮式呼吸的相关特征分别研究了基于短时能量和经验模态分解的特征分析算法。4、设计实验并进行结果分析。首先设计了呼吸信号监测的临床实验,进行数据采集并分析处理后设置特征数据集。实验结果表明基于稀疏域的时频特征和小波特征的卷积神经网络呼吸模式分类算法的分类准确率分别达到了91.8%和97.9%,与已有的基于实验室模拟呼吸数据提取常用的时频和频域特征实现的呼吸模式分类算法相比,准确率提升了5.6%。其次针对不同人之间的呼吸差异,进行了模型的泛化性能分析,实验结果表明在预测未参与模型训练的受试者的呼吸模式时,时频特征和小波特征的平均分类准确率分别达到了85.3%和89.6%。最后对基于短时能量和经验模态分解的潮式呼吸心功能相关特征分析算法采用Bland-Altman图进行一致性评价,结果表明基于经验模态分解的特征分析算法一致性更好。